課程亮點(diǎn)

師資:*講師團(tuán)隊(duì),豐富行業(yè)經(jīng)驗(yàn)和企業(yè)培訓(xùn)經(jīng)驗(yàn)

特色:小班培訓(xùn),精品課程,面授+直播+錄播,上課方式多樣

培訓(xùn):免費(fèi)重聽(tīng)

適用對(duì)象

不限

學(xué)習(xí)目標(biāo)

掌握大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)的完整流程

課程內(nèi)容

*天

大數(shù)據(jù)分析挖掘算法

內(nèi)容一:大數(shù)據(jù)分析挖掘算法

1．業(yè)界常見(jiàn)的大數(shù)據(jù)分析應(yīng)用場(chǎng)景以及對(duì)應(yīng)的分析算法模型應(yīng)用,及其案例

2．常用的統(tǒng)計(jì)分析模型的介紹,包括方差分析、線性擬合、回歸、邏輯回歸、因子分析、主成分分析、時(shí)間序列分析的基礎(chǔ)知識(shí)

3．常用的數(shù)據(jù)挖掘模型介紹,重點(diǎn)介紹六類(lèi)機(jī)器學(xué)習(xí)與挖掘模型算法

4．業(yè)界主流的數(shù)據(jù)倉(cāng)庫(kù)工具和數(shù)據(jù)分析挖掘相關(guān)工具軟件的應(yīng)用概述

內(nèi)容二:機(jī)器學(xué)習(xí)

1．機(jī)器學(xué)習(xí)概念、發(fā)展歷程

2．機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景

3．機(jī)器學(xué)習(xí)與統(tǒng)計(jì)分析

4．無(wú)監(jiān)督式學(xué)習(xí)概述

5．有監(jiān)督式學(xué)習(xí)概述

6．半監(jiān)督式學(xué)習(xí)概述

7．強(qiáng)化學(xué)習(xí)概述

8．人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)概述

9．深度學(xué)習(xí)概述

10．機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景和應(yīng)用案例

第二天

Spark大數(shù)據(jù)實(shí)時(shí)與高性能處理平臺(tái)剖析

內(nèi)容:Spark大數(shù)據(jù)實(shí)時(shí)與高性能處理平臺(tái)剖析

1．Spark實(shí)時(shí)大數(shù)據(jù)處理平臺(tái)架構(gòu)

2．Spark編程模型以及Spark編程實(shí)例解析

3．Spark RDD內(nèi)存彈性分布式數(shù)據(jù)集的工作原理與機(jī)制

4．Spark Core的核心組件剖析

5．Spark系統(tǒng)架構(gòu)和運(yùn)行過(guò)程剖析

6．Spark on Yarn運(yùn)行原理和實(shí)例

7．Spark RDD transform、滑動(dòng)窗口、foreachRDD性能優(yōu)化、持久化、checkpoint、容錯(cuò)與事務(wù)、與Spark SQL整合使用

8．基于Spark的實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)與實(shí)時(shí)分析挖掘處理的應(yīng)用實(shí)踐,以及應(yīng)用案例

第三天

Spark SQL應(yīng)用實(shí)戰(zhàn)

內(nèi)容:Spark SQL應(yīng)用實(shí)戰(zhàn)

1．Spark SQL實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)的實(shí)現(xiàn)原理與操作

2．Spark SQL核心代碼剖析

3．Spark SQL客戶(hù)端開(kāi)發(fā)包API

4．Spark SQL實(shí)時(shí)統(tǒng)計(jì)應(yīng)用

5．Spark SQL應(yīng)用程序開(kāi)發(fā)實(shí)踐

第四天

Spark Streaming應(yīng)用實(shí)戰(zhàn)

內(nèi)容:Spark Streaming應(yīng)用實(shí)戰(zhàn)

1．Streaming與Storm在實(shí)時(shí)流計(jì)算處理應(yīng)用場(chǎng)景下的案例與比較

2．Spark Streaming與Spark交互的實(shí)現(xiàn)機(jī)制

3．Spark Streaming的核心代碼剖析

4．Spark Streaming客戶(hù)端編程實(shí)踐

5．Spark Streaming實(shí)時(shí)流數(shù)據(jù)分析處理應(yīng)用開(kāi)發(fā)實(shí)踐

第五天

數(shù)據(jù)預(yù)處理與特征選擇

內(nèi)容一:數(shù)據(jù)預(yù)處理

1．?dāng)?shù)據(jù)抽取、轉(zhuǎn)換和加載

2．?dāng)?shù)據(jù)清洗

3．特征處理

內(nèi)容二:特征選擇與降維

1．特征選擇概述

2．Filter

3．Wrapper

4．Embedded

5．特征擴(kuò)增

6．降維、PCA、LDA、LLE、SVD

第六天

機(jī)器學(xué)習(xí)算法

內(nèi)容一:有監(jiān)督學(xué)習(xí)

1．KNN算法

2．決策樹(shù)算法

3．SVM算法

4．樸素貝葉斯算法

5．邏輯回歸算法

6．線性回歸算法

7．集成算法

內(nèi)容二:無(wú)監(jiān)督學(xué)習(xí)

1．聚類(lèi)算法

2．關(guān)聯(lián)算法

內(nèi)容三:模型評(píng)估與優(yōu)化

1．模型優(yōu)化與評(píng)估概念

2．*優(yōu)化模型

3．模型評(píng)估與選擇

第七天

Spark MLlib數(shù)據(jù)挖掘

內(nèi)容:Spark MLlib數(shù)據(jù)挖掘

1． Spark MLlib概述

2． Spark MLlib評(píng)估矩陣

3． Spark MLlib關(guān)聯(lián)規(guī)則與推薦算法

4． Spark MLlib聚類(lèi)與降維

5． Spark MLlib分類(lèi)與回歸

6． Spark MLlib特征提取和轉(zhuǎn)換

7． Spark MLlib基礎(chǔ)統(tǒng)計(jì)分析

第八天

大數(shù)據(jù)挖掘案例

內(nèi)容:綜合實(shí)驗(yàn)

1． 房?jī)r(jià)售價(jià)預(yù)測(cè)

2． 個(gè)人收入分群

3．移民的簽證預(yù)測(cè)

4．銀行辦理定期存款業(yè)務(wù)預(yù)測(cè)